基于 CT 的 3D 影像组学与临床联合模型：精准评估口腔颌面外科患者面罩通气新方案

为解决口腔颌面外科手术中面罩通气评估难题，上海健康医学院附属周浦医院的研究人员开展基于 CT 的 3D 影像组学与临床联合模型研究。结果显示该混合模型预测准确性高，能助力麻醉医生识别风险患者，值得科研读者一读。

　　

上海健康医学院附属周浦医院（Shanghai University of Medical and Health Science Affiliated Zhoupu Hospital）的研究人员 He Ren、Lingling Qu、Weiwei Shi 等在《Scientific Reports》期刊上发表了题为 “CT based 3D radiomic and clinical airway examination model for evaluating mask ventilation in oral and maxillofacial surgery patients” 的论文。这篇论文在口腔颌面外科麻醉气道管理领域具有重要意义，为评估面罩通气困难提供了新的方法和思路，有助于提高患者麻醉安全性，降低气道相关并发症风险。

研究概述

该研究旨在开发一种结合临床测量和从口腔颌面外科患者 CT 图像中提取的 3D 影像组学特征的模型，以评估面罩通气情况。研究人员通过前瞻性队列试验，收集患者的临床数据和头颈 CT 图像，由麻醉医生对面罩通气进行分级，将需要辅助或使用口腔气道等辅助工具的面罩通气定义为困难面罩通气（Difficult mask ventilation，DMV）。随后，研究人员提取 3D 气道分割数据，计算 3D 影像组学特征和相应的放射学特征，并运用多种统计方法确定临床测量模型和影像组学特征模型中的特征，进而开发出结合两者特征的混合模型。

研究背景

在口腔颌面外科手术中，有效的气道管理是确保麻醉安全的关键环节。然而，与普通外科手术相比，该领域困难气道的发生率高达 10 - 15%，这使得在麻醉诱导前识别潜在的困难气道至关重要。各大麻醉学会均建议对每位患者进行术前气道评估，困难气道被定义为麻醉医护人员在面罩通气、气管插管、拔管等操作中遇到预期或意外的困难或失败情况。虽然目前有多种检测方法用于识别困难插管，但它们的预测准确性有限。

若缺乏有效的预测模型或对潜在气道困难的评估，麻醉医生在面罩通气和气管插管过程中可能会面临意想不到的挑战，进而导致患者出现氧合不足、长时间呼吸暂停，甚至陷入 “无法通气、无法给氧” 的危险境地。在时间压力下进行应急处理，会大大增加患者发生缺氧性脑损伤甚至死亡等严重并发症的风险。相反，如果麻醉医生能够提前预测气道困难，就可以采取积极措施，如准备先进的气道设备（视频喉镜、纤维支气管镜等）、必要时计划清醒插管、优化患者体位、采用辅助技术以及安排经验丰富的人员待命等，从而降低气道相关灾难的发生概率，改善患者预后。

从实际数据来看，美国 2002 - 2013 年的医疗事故索赔分析表明，56% 的麻醉相关死亡或严重脑损伤与气道管理问题有关，其中通气不足或失败占 24%。英国皇家麻醉师学院和困难气道协会的第四项全国审计项目（Fourth National Audit Project，NAP4）也显示，麻醉气道管理不善导致了 58% 的主要气道并发症，其中 24% 的患者死亡或遭受持续性脑损伤。这些数据充分凸显了准确识别和管理困难气道对提高患者安全的重要性。

计算机断层扫描（Computer tomography，CT）是口腔颌面外科手术患者的常规检查手段，它能够用于评估上气道周围的解剖结构，包括舌头大小、咽腔空间和舌骨位置等。利用 CT 扫描重建患者气道的三维（Three - dimensional，3D）模型，有助于麻醉医生更好地理解气道的结构和功能。3D - CT 重建能够提供详细、精确的气道可视化图像，为制定合理的治疗决策、改善患者预后提供支持。

影像组学是一个新兴的医学研究领域，它运用机器学习和先进的计算技术，从 CT、磁共振成像（Magnetic resonance imaging，MRI）等医学图像中提取和分析定量特征，旨在识别数据中的模式和关系，以改进各种疾病的诊断、预后评估和治疗规划。影像组学在构建、训练和验证预测疾病及治疗结果的模型，以及患者分层方面的应用日益广泛，在肺部疾病（如结节、肿瘤、阻塞性肺疾病等）的诊断中已得到广泛应用。然而，将影像组学应用于上气道分析的研究尚属空白，本研究是一次创新性的尝试和探索。

研究方法

1. 研究对象：该研究获得了上海第九人民医院伦理委员会的批准（IRB No. 62017 - 362 - T264），研究时间为 2018 年 10 月至 2021 年 10 月。研究纳入了 716 名年龄在 18 岁及以上、美国麻醉医师协会（ASA）身体状况分级为 I - III 级、接受口腔颌面外科全身麻醉的患者。排除了接受区域麻醉以及存在面罩通气禁忌证（如计划清醒插管）的患者。在手术前，所有患者均签署了知情同意书，研究严格遵循相关指南和法规，以及《赫尔辛基宣言》的伦理原则。
2. 数据收集与测量：在术前访视时，由两名麻醉医生收集患者的年龄、性别、身高、体重、体重指数（Body Mass Index，BMI）、颈围、打鼾史、改良 Mallampati 分级、切牙间距、舌骨 - 颏距离、舌骨 - 甲状软骨距离、颏甲距离、上唇咬合试验、下颌伸展能力、寰枕关节伸展度、颈部放疗史和困难插管史等信息。使用 64 排螺旋 CT 系统（Philips Brilliance，Philips Medical Systems，Best，the Netherlands）对患者进行术前头颈 CT 扫描，扫描参数包括视野 23cm、矩阵 256×256、层厚 5mm、电压 120 - 140kV、电流 200 - 300mA，多数情况下不使用增强 CT。在麻醉诱导时，将患者头部置于 “嗅物位”，通过在头骨下放置坚固的垫子并伸展颈部来实现，使用面罩（Flexicare，UK；size 3, 4）以 100% 氧气进行 4 分钟的预氧合。在整个过程中，持续监测患者的心电图、无创血压、血氧饱和度（SpO?）和呼气末二氧化碳分压（Datex - Ohmeda Avance，GE，USA）。由一名具有 5 年经验的麻醉医生进行气道管理，并对面罩通气进行分级，依据 Langeron 等人的标准定义困难面罩通气。
3. 气道分割与影像组学特征提取：由同一名技术人员使用 3D - Slicer（version 5.2.2）软件对 3D 气道进行分割，分割边界明确（从硬腭水平的上边界，将鼻腔与口腔分开，到食管顶部的下边界，标志着气道向食管的过渡）。一名具有 5 年经验的麻醉医生对手动检查并确认所有分割结果，再由另一名具有 20 年经验的麻醉医生进一步验证。利用 PyRadiomics（version 3.0.1）软件从 3D 感兴趣区域（Regions of interest，ROI）中提取影像组学特征，包括大小、形状、直方图特征以及高阶纹理特征（灰度共生矩阵（Gray - level co - occurrence matrix，GLCM）和灰度游程长度），最终得到 CT 图像中 3D 气道区域的 1321 个特征。
4. 统计分析：将整个数据集随机划分为训练集、测试集和验证集三个子集。训练集用于开发和训练预测模型，并筛选潜在的预测因素；测试集用于初步评估模型性能，指导模型优化；验证集用于进一步验证最终模型的预测准确性。对 3D 影像组学特征进行标准化处理，排除方差小于 1 的特征。运用 Spearman 成对相关性分析识别具有强干扰的特征，当特征的绝对相关值超过 0.9 时，基于保留信息增益更高的特征原则，去除不太重要的特征。使用最小冗余最大相关性（Minimum redundancy maximum relevance，mRMR）方法选择前 100 个特征，并将其输入到最小绝对收缩和选择算子（Least absolute shrinkage and selection operator，LASSO）模型中，以确定评估困难面罩通气的最佳特征子集，由于可能存在随机性，该特征子集计算了 500 次以获得最佳结果。运用多元逻辑回归模型预测困难面罩通气，并创建基于列线图的组合模型。使用验证集和测试集评估预测列线图模型的诊断准确性，生成校准曲线和受试者工作特征（Receiver operating characteristic，ROC）曲线，并计算训练集、测试集和验证集的曲线下面积（Area under the curve，AUC）值。比较临床测量模型、3D 影像组学特征模型以及两者结合的混合模型的诊断性能和临床实用性，运用 DeLong 检验对不同模型的 AUC 值进行统计学比较。对于符合正态分布的连续变量，以均值 ± 标准差表示；非正态分布的连续变量，以中位数（四分位数间距）表示；分类变量以频率（百分比）表示。使用 t 检验或 Wilcoxon 检验分析连续变量组间差异，使用 Fisher 精确检验分析分类变量组间差异，以双侧 P 值 <0.05 为具有统计学意义。所有统计分析均使用 R 软件（version 4.0.3，R Foundation for Statistical Computing，Vienna，Austria）完成，使用 “caret” 包进行 Spearman 相关性分析，“glmnet” 包进行 LASSO 回归，“rms” 包进行逻辑回归、列线图构建和图表校准，“rmda” 包创建决策曲线。

研究结果

1. 研究对象筛选与分组：最初有 716 例患者符合纳入标准，排除无法进行面罩通气的病例后，最终纳入 622 例患者进行分析。研究人群随机分为训练集（460 例）、测试集（115 例）和验证集（47 例）。
2. 特征选择结果：对所有 3D 影像组学特征进行标准化处理后，删除方差小于 1 的特征，再通过 Spearman 相关性分析删除绝对相关值大于 0.9 的特征，剩余 237 个特征。使用 mRMR 方法对剩余特征进行排序并选择前 100 个，然后对训练组的这 100 个特征进行 LASSO 回归分析（采用交叉验证方法），最终选择出 13 个最佳特征。
3. 预测模型的构建与评估：通过多元逻辑回归分析从训练集中提取与评估相关的特征。临床测量模型的预测因素包括年龄、BMI、打鼾史、Mallampati 分级、寰枕关节伸展度和颈围；影像组学特征模型的预测因素包括 original_firstorder_Median、wavelet.LHL_firstorder_Mean、wavelet.LHL_firstorder_Median、gradient_firstorder_Median、wavelet.HHH_firstorder_Kurtosis；混合模型的预测因素则包含上述 6 个临床测量指标和 5 个影像组学特征。基于混合模型预测因素构建列线图，并在训练集、测试集和验证集中进行验证。
4. 模型性能比较：在训练组中，混合模型的 AUC 值为 0.866（95% CI 0.763 - 0.851），特异性为 79.9%，敏感性为 78.4%；测试组中，AUC 值为 0.898（95% CI 0.824 - 0.972），特异性为 79.4%，敏感性为 93.3%；验证组中，AUC 值为 0.851（95% CI 0.729 - 0.974），特异性为 82.7%，敏感性为 76.9%。临床测量模型在训练组、测试组和验证组的 AUC 值分别为 0.841（95% CI: 0.782 - 0.900）、0.867（95% CI: 0.771 - 0.962）、0.812（95% CI: 0.676 - 0.949）；影像组学特征模型在训练组、测试组和验证组的 AUC 值分别为 0.892（95% CI: 0.839 - 0.945）、0.825（95% CI: 0.718 - 0.933）、0.827（95% CI: 0.716 - 0.937）。在验证组中，DeLong 检验显示混合模型的 AUC 与临床测量模型（p = 0.04289）和影像组学特征模型（p = 0.04052）的 AUC 存在显著差异。
5. 模型校准与决策曲线分析：混合模型的校准曲线在训练组中显示出良好的校准能力，在测试组和验证组中也具有可比的能力。决策曲线分析表明，混合模型的总体净效益优于 “不治疗” 和 “全部治疗” 策略，具有较高的临床应用价值。

研究结论与讨论

该研究对 2018 年 10 月至 2021 年 10 月期间接受口腔颌面外科手术的 622 例患者进行分析，发现困难喉镜暴露的发生率为 17.85%。研究开发并验证了一种结合 3D 影像组学特征与临床测量的混合模型，该模型包含 6 个临床测量指标和 5 个影像组学特征，在术前评估口腔颌面外科手术患者的面罩通气方面表现出良好的能力。

CT 扫描虽为口腔颌面外科手术的常见术前检查，但仅通过观察气道切片，麻醉医生难以获取详细信息。而气道的 3D - CT 重建能提供气道形状和阻塞情况的大致信息，影像组学特征分析在基于 CT 图像的辅助诊断中应用广泛，可提供组织特征的额外信息，有助于评估气道。通过分析气道的影像组学特征和临床测量指标，麻醉医生能够识别高风险患者，调整麻醉计划，从而提高气道管理的安全性和有效性，改善患者预后。

在本研究模型所选择的特征中，3D 影像组学特征和临床测量指标的贡献几乎相同，这一结果表明影像组学特征能有效提高辅助诊断的准确性，也体现了多模态特征分析的价值。研究发现的 5 个 3D 影像组学特征均与病变区域的 CT 值相关，这意味着气道组织的密度可能对结果有直接影响，为后续研究提供了思路，即探索是否能找到更直接描述气道组织密度的特征（如体脂比）来优化模型，BMI 在一定程度上也支持了这一想法，尽管其权重不高。

先前的多项研究已经确定了与困难面罩通气相关的多种独立风险因素，如年龄超过 55 岁、BMI 超过 26kg/m2、有胡须、无牙、打鼾、颈部放疗史、颈围、男性、Mallampati 评分、寰枕关节伸展度、严重的下颌前伸受限等。本研究模型也将 Mallampati 评分、打鼾史、年龄、BMI 和颈围等确定为评估面罩通气时需要考虑的重要因素。虽然 Mallampati 评分预测困难面罩通气的敏感性较低，但它仍是评估气道管理的经典指标，Mallampati 评分较高的患者，咽腔空间较窄，气道阻塞风险增加，更易出现通气困难。打鼾史提示可能存在潜在的气道阻塞和咽部塌陷；年龄也是面罩通气评估的关键因素；高 BMI 与上气道脂肪组织沉积增加有关，会导致气道狭窄，增加困难面罩通气的风险；较大的颈围通常意味着颈部脂肪沉积较多，会使上气道变窄，增加通气难度；寰枕关节伸展受限会影响患者气道管理时的头部位置，进而增加面罩通气的难度。

然而，该研究也存在一些局限性。首先，研究数据集来自一家医院，样本均基于实际临床情况收集，模型可能受样本子集比例的影响，且样本来源相对集中，后续需要扩大样本量和分布范围，探索更精确、可解释性更强的特征。其次，研究仅使用了一种公开可用的软件包来计算 3D 影像组学特征，可能存在一定的人为导向性，未来研究需寻找更多计算影像组学特征的方法以降低这种风险。最后，虽然研究发现了 CT 值及其波动对结果有直接影响，但仍需进一步寻找更直接、准确表达 CT 值及其波动的特征。

总的来说，该研究将 3D 影像组学特征与临床测量相结合，为评估口腔颌面外科手术患者的面罩通气提供了新的方法。在临床实践中应用该混合模型，麻醉医生能够潜在地识别出在全身麻醉下可能出现困难面罩通气的患者，有助于改善气道管理，最终实现更好的患者预后，对提高口腔颌面外科手术麻醉的安全性具有重要意义。